论文笔记:DeepMove: Predicting Human Mobility with Attentional Recurrent Networks
- 开发
- 13
-
WWW 2018
1 Intro
- 根据对百万级用户群的研究,93%的人类移动是可预测的。
- 早期的mobility预测方法大多基于模式的。
- 首先从轨迹中发现预定义的移动模式(顺序模式、周期模式)
- 然后基于这些提取的模式预测未来位置。
- 最近的发展转向基于模型的方法进行流动性预测。
- 利用顺序统计模型(例如,马尔可夫链或递归神经网络)来捕捉人体运动的转变规律,并从给定的训练语料库中学习模型参数。
- 尽管基于模型的移动性预测很好,但仍有挑战有待解决:
- 1)人类移动性的复杂转变规律
- 2)人类移动的多层次周期性
- 3)人类流动性的数据的异质性和稀疏性
- ——>提出了DeepMove
- 从冗长和稀疏的轨迹中预测人类移动性的注意力递归神经网络模型
2 方法
2.1 方法总览
![](https://img-blog.csdnimg.cn/direct/f9aee2b718334332975e4a94ab1d6a54.png)
2.2 candidate generator
![](https://img-blog.csdnimg.cn/direct/4a3b0dc7391846bd80e21df4e3802243.png)
3 实验
3.1 数据集
![](https://img-blog.csdnimg.cn/direct/857929615c04408dbb67a38588a99dbd.png)
3.2 实验结果
![](https://img-blog.csdnimg.cn/direct/8842bad1affc44bbb006953c6c76815d.png)
原文地址:https://blog.csdn.net/qq_40206371/article/details/138490640
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。
本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:https://www.suanlizi.com/kf/1788869090186760192.html
如若内容造成侵权/违法违规/事实不符,请联系《酸梨子》网邮箱:1419361763@qq.com进行投诉反馈,一经查实,立即删除!